Modelado predictivo aplicado a la autorregularización fiscal para la optimización de la recaudación

doi:10.22167/2675-6528-202602792

Artículo

30 de septiembre de 2026

Modelado predictivo aplicado a la autorregularización fiscal para la optimización de la recaudación

Modelado Predictivo Aplicado a la Autorregulación Fiscal para la Optimización de la Recaudación

Cleiber Cruzeiro Queiroz; Aimée Shirozono

DOI: 10.22167/2675-6528-202602792

Artículo derivado de Trabajo de Fin de Curso (TCC), con contenido basado en el trabajo original del estudiante y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege para la síntesis y organización textual.

Resumen

Se desarrolló un modelo predictivo para apoyar la identificación de contribuyentes con mayor probabilidad de adhesión a programas de autorregularización fiscal del ICMS en el estado de Goiás. A partir de datos provenientes de documentos fiscales electrónicos, de la Declaración de Información de Medios de Pago [DIMP] y de bases corporativas de mallas fiscales, se construyeron agrupaciones homogéneas de contribuyentes, respetando restricciones legales asociadas al secreto fiscal y a la Ley General de Protección de Datos [LGPD]. La modelización predictiva se realizó por medio del algoritmo Light Gradient Boosting Machine [LightGBM], con ajuste de hiperparámetros vía Grid Search y validación cruzada k-fold. Los resultados indicaron un desempeño discriminatorio del modelo en relación a enfoques tradicionales, con Área bajo la Curva (AUC) de 0,63 y elevada capacidad de identificación de contribuyentes con mayor potencial de regularización. Los análisis de importancia de las variables y la interpretación del modelo, por medio de Feature Importance y SHAP, evidenciaron que variables asociadas al volumen económico de las operaciones y al historial de inconsistencias fiscales ejercieron mayor influencia en la probabilidad de adhesión. Los resultados sugieren que la aplicación de técnicas de aprendizaje automático puede contribuir a hacer más eficiente la selección de contribuyentes en programas de autorregularización fiscal, ampliando el potencial de recuperación de crédito tributario y fortaleciendo estrategias de cumplimiento basadas en datos.

Palabras clave: administración tributaria; autorregularización fiscal; cumplimiento tributario; LightGBM; machine learning.

1. Introducción

La administración tributaria global atraviesa una profunda reestructuración, caracterizada por la transición de modelos operativos históricamente centrados en la verificación manual y represiva de grandes volúmenes de datos a ecosistemas integrados, predictivos y orientados a la conformidad cooperativa (Eberhartinger y Zieser, 2021). Esta transformación refleja un cambio relevante en la forma en que se establece la relación entre el Estado y el contribuyente, en la medida en que la lógica estrictamente represiva cede espacio a una actuación basada en la confianza, la transparencia y la prevención de conflictos (Nunes y Garbaccio, 2023).

En este nuevo paradigma, la ampliación del cumplimiento tributario se busca a través de la cooperación institucional, en la cual el contribuyente se compromete a compartir información fiscal relevante, mientras que la administración tributaria ofrece mayor seguridad jurídica, previsibilidad en las decisiones y canales permanentes de diálogo. La autorregulación fiscal surge como un desarrollo práctico de los principios de la conformidad cooperativa, al incentivar al contribuyente a corregir espontáneamente eventuales inconsistencias, fortaleciendo la confianza mutua y reduciendo la necesidad de acciones represivas (Nunes y Garbaccio, 2023; Martinez, 2022). En este escenario, el uso de tecnologías digitales, inteligencia artificial y técnicas de aprendizaje automático se ha empleado como instrumento de gestión de riesgos y focalización de la actuación fiscal, permitiendo mayor eficiencia en la selección de contribuyentes y en la conducción de acciones preventivas (Yang, 2025).

En el sistema tributario nacional, el Sistema Público de Escrituración Digital (SPED, 2007) organiza y facilita la entrega masiva y continua de las obligaciones accesorias en formato digital. A través de este entorno, los contribuyentes transmiten recurrentemente grandes volúmenes de datos, que incluyen documentos fiscales electrónicos, la Escrituración Fiscal Digital (EFD) y la Escrituración Contable Digital (ECD). Este conjunto informacional es utilizado por la administración tributaria para identificar inconsistencias, realizar análisis y apoyar la toma de decisiones. En la legislación del Estado de Goiás, el Art. 142-A de la Ley nº 11.651/91 (Goiás, 1991), que integra el Código Tributario Estatal, establece las reglas para la autorregularización fiscal, permitiendo que los contribuyentes con infracciones tributarias puedan, de forma espontánea, regularizar su situación.

Sin embargo, la viabilidad política y económica de la autorregulación fiscal depende de la capacidad de identificar adecuadamente a los contribuyentes con mayor potencial de cumplimiento. Las notificaciones dirigidas a perfiles con baja propensión a la regularización tienden a generar costos innecesarios y a debilitar la relación de confianza institucional. Por otro lado, la ausencia de comunicación con contribuyentes que presentan un elevado potencial de recuperación de crédito resulta en oportunidades perdidas de recaudación. Estudios experimentales, como el de Kleber et al. (2025), demuestran que los mensajes conductuales adaptados al público objetivo pueden aumentar significativamente la probabilidad de cumplimiento de las obligaciones fiscales, mientras que las comunicaciones genéricas o mal dirigidas tienen poco efecto o incluso pueden reducir la respuesta positiva (Jamison et al., 2021).

Ante este escenario, la aplicación de técnicas de Inteligencia Artificial, en especial de Machine Learning, se presenta como una alternativa técnica capaz de identificar patrones, correlaciones y anomalías en grandes volúmenes de datos, generando información relevante para apoyar la toma de decisiones estratégicas (Xu et al., 2024). A diferencia de los sistemas expertos basados en reglas predefinidas, que tienen una capacidad limitada para lidiar con la complejidad y la dinamicidad de los comportamientos contemporáneos, los modelos de aprendizaje automático, especialmente aquellos fundamentados en técnicas de Gradient Boosting, como el LightGBM, han demostrado un rendimiento superior a los enfoques estadísticos tradicionales, como la regresión logística, en la tarea de clasificar y ordenar contribuyentes para programas de cumplimiento tributario (Yang, 2025). Esta flexibilidad analítica permite identificar patrones más complejos de comportamiento fiscal, que a menudo no son capturados por sistemas de fiscalización basados solo en reglas (Chen y Guestrin, 2016; Xu y Kong, 2020).

En este contexto, la motivación de este estudio radica en la posibilidad de integrar la ciencia de datos a la gestión tributaria para optimizar la selección de contribuyentes en programas de autorregulación fiscal. Al dirigir de manera más eficiente las acciones administrativas, se busca contribuir al fortalecimiento de la conformidad tributaria, la promoción de la justicia fiscal y la sostenibilidad de las cuentas públicas. Ante lo expuesto, el objetivo principal de este estudio es desarrollar un modelo predictivo capaz de apoyar la identificación de contribuyentes con mayor potencial de autorregulación en el estado de Goiás.

2. Material y Métodos

El presente estudio se caracterizó como una investigación de naturaleza aplicada, con un enfoque metodológico cuantitativo, con el objetivo de desarrollar un modelo predictivo. El objetivo central fue apoyar la identificación de contribuyentes con mayor potencial de autorregularización en el estado de Goiás, utilizando técnicas de aprendizaje automático. La investigación se llevó a cabo en el ámbito de la Secretaría de Estado de Economía del Estado de Goiás, respetando las restricciones legales asociadas al secreto fiscal y a la Ley General de Protección de Datos (LGPD).

Para la realización de la investigación, se utilizaron datos provenientes de 8.343.075 facturas identificadas por mallas fiscales de autorregularización, a partir de las cuales se seleccionaron 4.113 contribuyentes. Las fuentes de datos incluyeron documentos fiscales electrónicos, información de la Declaración de Información de Medios de Pago (DIMP) y bases corporativas de mallas fiscales. Todos los datos se obtuvieron a partir de bases corporativas y se almacenaron en los servidores de base de datos de la Secretaría de Estado de Economía del Estado de Goiás.

La unidad de análisis adoptada para la modelización predictiva fueron grupos homogéneos de contribuyentes, y no el contribuyente individual, con el objetivo de reducir la variabilidad aleatoria y cumplir las restricciones legales. Esta agregación resultó en 3.173 observaciones, construidas a partir de variables estructurantes como actividad económica, geolocalización, naturaleza jurídica, volumen de ventas e historial de riesgo. Para calificar los datos agregados, se estableció como criterio de selección la regularización de, como mínimo, el 30% de las facturas por contribuyente y una tasa de adhesión superior al 50% en la agrupación.

La extracción de los datos referentes a las facturas y a la DIMP se realizó por medio de la herramienta SAS Enterprise Guide v.9.2, con información almacenada en una base de datos MySQL. El lenguaje SQL se empleó para la consulta, saneamiento, consolidación y agrupación de los datos. El tratamiento y el análisis subsecuente se condujeron en ambiente Python, utilizando las bibliotecas Pandas y NumPy para manipulación y transformación, y Scikit-learn para particionamiento de la base y validación cruzada.

La ingeniería de variables estructuró y calificó los datos fiscales, financieros y de registro. Se consolidó información por contribuyente, abarcando cantidades y valores de facturas en autorregularización, ICMS adeudado y valores pagados y a plazos. Se totalizaron los valores de facturas de entrada y salida de 2024, y los valores de la DIMP de 2024. Estos datos se integraron con información de registro, como CNAE, código de la delegación territorial, naturaleza jurídica y horas previstas de auditoría.

A partir de la base consolidada, se construyeron variables derivadas para representar dimensiones del perfil de los contribuyentes, incluyendo rangos de tiempo de registro, rangos de valor de la deuda de ICMS, rangos de tamaño económico y rangos de exposición digital. Dos variables derivadas adicionales fueron la Razón Logarítmica de Salidas por Entradas y la Razón de la Deuda por el Aporte, ambas con transformación para estabilizar la variabilidad. La variable objetivo, denominada TARGET, se creó para clasificar los agrupamientos en cuanto a la adhesión o no al proceso de autorregularización, utilizando un criterio del 50% de adhesión.

El modelado predictivo se realizó mediante un enfoque supervisado. Se compararon Regresión Logística, Random Forest, XGBoost y Light Gradient Boosting Machine (LightGBM), siendo este último seleccionado como algoritmo final debido a su eficiencia computacional y capacidad para modelar relaciones complejas e interacciones no lineales entre las variables, características adecuadas al contexto tributario (Friedman, 2001). La base de datos se dividió en conjuntos de entrenamiento (70%) y prueba (30%), de forma estratificada y con semilla aleatoria fija.

Se optimizó el rendimiento del modelo y se redujo el riesgo de sobreajuste mediante el ajuste de los hiperparámetros a través de Grid Search. La evaluación del rendimiento del modelo se realizó basándose en las métricas de Precisión, Exactitud, Recall, Puntuación F1 y Área bajo la Curva (AUC). La robustez se evaluó mediante validación cruzada con cinco pliegues. La interpretación del modelo se llevó a cabo mediante análisis de importancia de las variables (Feature Importance) y valores SHAP, que indican la contribución de cada variable a la probabilidad prevista de adhesión.

3. Resultados y Discusión

Los resultados de la investigación revelaron insights significativos sobre los factores que influyen en la adhesión de contribuyentes a programas de autorregularización fiscal en el estado de Goiás, así como la eficacia de un modelo predictivo basado en aprendizaje automático para identificar perfiles con mayor potencial de cumplimiento. El análisis inicial de las variables cuantitativas y categóricas proporcionó una comprensión detallada de la distribución y heterogeneidad de los datos, mientras que la modelización predictiva y sus interpretaciones validaron la capacidad del algoritmo LightGBM para capturar patrones complejos de comportamiento fiscal. Estos hallazgos son cruciales para mejorar las estrategias de administración tributaria, dirigiendo acciones de forma más eficiente y basada en evidencia.

Análisis de Variables Cuantitativas

Las estadísticas descriptivas de las variables cuantitativas, sintetizadas en las Tablas 1, 2 y 3, indicaron una distribución asimétrica para la mayoría de las variables financieras y operativas, un patrón común en bases tributarias donde pocos agrupamientos concentran volúmenes elevados de operaciones y valores fiscales. Por ejemplo, la cantidad de facturas en autorregularización (QTD_NOTAS_AUTOREG) presentó una media de 2.629,40, pero una mediana de solo 52,00 y un primer cuartil de 8,00, evidenciando que la mayoría de los agrupamientos posee un volumen reducido de documentos, mientras una minoría concentra un gran volumen. El elevado desvío estándar de 16.248,99 refuerza la presencia de valores extremos en la distribución, lo que justifica la elección de algoritmos robustos a estas características.

Las variables monetarias, como el valor medio de las facturas en autorregulación (VLR_NOTA_AUTOREG), el ICMS debido (VLR_ICMS_AUTOREG), las operaciones de entrada (VLR_ENTRADAS) y salida (VLR_SAIDAS), y los valores calculados por la DIMP (VLR_DIMP), exhibieron un patrón similar de fuerte dispersión. Las medias de estas variables fueron significativamente superiores a las medianas, acompañadas por desviaciones estándar elevadas, lo que indica una acentuada heterogeneidad económica entre los contribuyentes. Por ejemplo, el valor medio de las salidas (VLR_SAIDAS) registró una media de 48.286.125,95, pero una mediana de 5.285.496,94, con una desviación estándar de 323.752.292,96. Esta característica de los datos refuerza la idoneidad del algoritmo LightGBM, que es particularmente eficaz para tratar distribuciones asimétricas y relaciones no lineales entre las variables, como lo destacan Chen y Guestrin (2016).

La relación entre deuda y tamaño económico (RAZAO_DIVIDA_PORTE) se concentró cerca de cero para la mayoría de los agrupamientos, con una media de 0,68 y una mediana de 0,00. Sin embargo, el tercer cuartil de 249,65 y una desviación estándar de 10,91 indicaron que, para una parte de los grupos, la deuda asume un peso significativo en relación con el volumen de operaciones, lo que puede influir en la adhesión a la autorregulación. La tasa de adhesión (TAXA_ADESAO) presentó una media de 0,45, con una mediana y un primer cuartil de 0,00, lo que refleja una concentración de los resultados en los extremos de la distribución. Esto significa que la mayoría de los agrupamientos demostraron una adhesión baja o nula a la autorregulación, mientras que una porción menor concentró niveles elevados de regularización, lo que corrobora la adecuación del criterio del 50% de adhesión adoptado para la definición de la variable objetivo, tal como se ilustra en la distribución de la tasa de adhesión de los grupos y el criterio de clasificación.

Análisis de Variables Categóricas

El análisis de las variables categóricas reveló patrones distintos de adhesión a la autorregularización. La variable FAIXA_FATURAMENTO, que segmenta a los contribuyentes en cuartiles basándose en el valor total de las facturas de salida, demostró una relación directa con la tasa de adhesión. Los agrupamientos en los cuartiles inferiores de facturación presentaron menores tasas medias de adhesión, mientras que los cuartiles superiores exhibieron porcentajes progresivamente más elevados de regularización. Por ejemplo, el rango de facturación de 0-25% registró una tasa de adhesión del 34,8%, mientras que el rango superior al 75% alcanzó el 58,9% de adhesión, según se observa en la distribución de contribuyentes y tasa de adhesión por rango de facturación

. Este patrón indica que el tamaño económico ejerce una influencia relevante sobre el comportamiento de adhesión, reforzando su importancia como variable explicativa en el modelo predictivo.

La variable NATURALEZA_JURIDICA, a pesar de presentar un fuerte desbalance con la categoría ‘Sociedad Empresaria Limitada’ concentrando aproximadamente el 87% de las observaciones, demostró relevancia predictiva. Las Sociedades Anónimas (S.A.) presentaron las mayores tasas de adhesión, con un 62,1%, indicando un perfil de mayor conformidad. En contraste, los grupos ‘Individual’ y ‘Otros’ exhibieron tasas inferiores, con un 41,6% y 32,0% respectivamente, sugiriendo una mayor propensión a la no regularización. Estos resultados, presentados en la distribución de contribuyentes y tasa de adhesión por naturaleza jurídica

, corroboraron la decisión de agrupar las categorías originales en macrogrupos para preservar el poder discriminatorio de la variable y evitar el sobreajuste, conforme a la estrategia de categorización por intervalos (p. 9).

La FAIXA_DIVIDA_ICMS, que clasifica el valor total del ICMS adeudado, también reveló una asociación con la propensión a la regularización. Se observó que la mayoría de los contribuyentes se concentra en los rangos de menor valor de la deuda. Sin embargo, los rangos con valores más altos presentaron las tasas de adhesión más altas, alcanzando el 55,1% para deudas superiores a R$ 100.000,00, en comparación con el 44,6% para deudas de hasta R$ 10.000,00. Este hallazgo, detallado en la distribución de contribuyentes y tasa de adhesión por rango de valor de la deuda

, sugiere que deudas de mayor magnitud pueden motivar una mayor propensión a la regularización, posiblemente debido a un mayor riesgo asociado o a una mayor capacidad de gestión fiscal por parte de estos contribuyentes.

La variable FAIXA_EXPOSICAO_DIMP, que mide el grado de rastreabilidad de las operaciones a través de la razón entre el valor de la DIMP y el valor total medio de las salidas, también se mostró relevante. Los grupos sin exposición registraron la menor tasa media de adhesión, con un 28,3%. Las franjas intermedias, como 0-30% y 30-70%, exhibieron porcentajes más elevados, con un 59,4% y un 50,0% de adhesión, respectivamente. Aunque la mayor parte de los contribuyentes se concentra en la franja de mayor exposición (>70%), con un 48,0% de adhesión, los resultados, conforme a la distribución de contribuyentes y tasa de adhesión por franja de exposición

, indican que el grado de exposición de las operaciones por medios de pago está asociado al comportamiento de regularización, sugiriendo que la transparencia de las operaciones financieras puede influir en la conformidad fiscal.

Matriz de Correlación

El análisis de la matriz de correlación entre las variables cuantitativas, presentada en la matriz de correlación de las variables

, indicó que la mayoría de las variables poseen correlaciones bajas o moderadas entre sí y en relación a la variable objetivo. Este patrón sugiere una relativa independencia entre los atributos, lo cual es favorable para la modelización predictiva, ya que reduce el riesgo de multicolinealidad. Las correlaciones más elevadas se observaron entre VLR_SAIDAS y VLR_ENTRADAS (0,65), un resultado esperado, puesto que empresas con mayor volumen de operaciones de salida tienden a presentar volúmenes correspondientes de entrada. De forma similar, se verificó una correlación relevante entre VLR_NOTA_AUTOREG y VLR_ICMS_AUTOREG (0,64), reflejando la relación directa entre el valor de las operaciones en autorregularización y el monto del impuesto debido.

Las demás variables, incluidas las razones financieras y los indicadores derivados, presentaron correlaciones débiles tanto entre sí como en relación con la variable objetivo. Este comportamiento sugiere que la adhesión a la autorregulación no se explica por relaciones lineales simples, sino que resulta de la interacción de múltiples factores económicos, operativos y estructurales. La baja multicolinealidad y la complejidad de las relaciones entre las variables refuerzan la elección de algoritmos de aprendizaje automático, como LightGBM, que son capaces de capturar relaciones no lineales e interacciones complejas, superando las limitaciones de los modelos estadísticos tradicionales basados en premisas de linealidad.

Comparación entre modelos de clasificación

La etapa de comparación entre diferentes técnicas de modelado predictivo supervisado demostró el rendimiento superior de los modelos basados en árboles en relación con la regresión logística. Como se ilustra en la comparación de curvas ROC de los modelos de clasificación

, el algoritmo LightGBM presentó el mayor Área bajo la Curva (AUC) de 0,631. Le siguió Random Forest, con un AUC de 0,623, y XGBoost, con un AUC de 0,611. La Regresión Logística, utilizada como modelo de referencia, obtuvo un AUC de 0,594. Esta jerarquía de rendimiento indica que los modelos de aprendizaje de conjunto, especialmente aquellos basados en gradient boosting, poseen una mayor capacidad discriminatoria para identificar agrupaciones con mayor probabilidad de adhesión a la autorregulación, confirmando la literatura que señala la superioridad de estas técnicas en contextos de datos complejos (Yang, 2025).

Optimización de Hiperparámetros (Grid Search)

La optimización de los hiperparámetros del modelo LightGBM, realizada mediante la técnica de Grid Search, fue fundamental para maximizar el rendimiento predictivo y reducir el riesgo de sobreajuste. La mejor combinación de parámetros identificada fue: class_weight = {0:1, 1:3}, learning_rate = 0,01, max_depth = 5, min_child_samples = 30, n_estimators = 500 y num_leaves = 31. Estos parámetros indican la utilización de árboles de profundidad moderada y una tasa de aprendizaje reducida, estrategias que contribuyen a un crecimiento controlado del modelo y a la reducción de la tendencia a capturar ruidos específicos de la muestra. El ajuste del peso de las clases favoreció la estabilidad del modelo y la mejor identificación de los casos de adhesión a la autorregularización, lo que es particularmente relevante en escenarios de desbalanceo de clases.

Evaluación del rendimiento del modelo LightGBM

La evaluación del rendimiento del modelo LightGBM en el conjunto de datos de prueba, utilizando métricas como Precisión, Exactitud, Recall, F1-Score y AUC, reveló un rendimiento adecuado para el objetivo del estudio. Los resultados obtenidos fueron: Precisión de 0,536, Exactitud de 0,503, Recall de 0,899, F1-Score de 0,645 y AUC de 0,626. El alto valor de Recall (0,899) es particularmente notable, ya que indica una elevada capacidad del modelo para identificar correctamente los agrupamientos con mayor probabilidad de adhesión a la autorregularización. Esta característica es de gran importancia para la administración tributaria, ya que minimiza el riesgo de dejar de seleccionar contribuyentes con potencial de recuperación de crédito tributario, evitando pérdidas de recaudación.

Aunque las métricas de Precisión y Exactitud presentaron valores moderados, el F1-Score de 0,645 indica un equilibrio satisfactorio entre la identificación de casos positivos y el control de errores de clasificación. Además, la AUC de 0,626 demuestra una capacidad discriminatoria superior a la de un clasificador aleatorio, evidenciando que el modelo es capaz de capturar patrones relevantes asociados al comportamiento de adhesión. En conjunto, estos resultados sugieren que el modelo LightGBM posee un desempeño adecuado para apoyar procesos de priorización y segmentación de contribuyentes en programas de autorregularización fiscal, contribuyendo a la eficiencia de las acciones administrativas y al fortalecimiento de la conformidad tributaria.

Validación Cruzada (Cross-Validation)

La robustez del modelo fue confirmada por la validación cruzada con cinco folds, según se ilustra en la validación cruzada (Cross-Validation ROC)

. Los resultados indicaron valores de AUC que varían entre 0,60 y 0,66, con una media de 0,63 y una desviación estándar de 0,02. La baja variabilidad observada entre los folds demuestra la estabilidad del rendimiento del modelo frente a diferentes particionamientos de la muestra, reduciendo la dependencia de los resultados en relación a una única división de los datos. Además, todas las curvas ROC se posicionaron por encima de la línea de referencia del clasificador aleatorio, evidenciando una capacidad discriminatoria consistente en la identificación de los agrupamientos con mayor probabilidad de adhesión a la autorregulación. Estos resultados proporcionan evidencias de la estabilidad y generalización del modelo, lo cual es crucial para su aplicación en un entorno operativo real.

Importancia de las Variables (Importancia de Características – Ganancia)

El análisis de la importancia de las variables en el modelo LightGBM, calculado con base en el criterio de ganancia (gain), reveló que las variables relacionadas con el volumen financiero de las operaciones presentaron la mayor influencia en la capacidad predictiva del modelo. El valor total de las salidas (VLR_SAIDAS), con una ganancia de 11054,7, y el valor total de las entradas (VLR_ENTRADAS), con 9911,8, figuraron entre las variables de mayor importancia para la clasificación. La razón entre salidas y entradas (RAZAO_SAIDA_ENTRADA), con 8524,6, y la cantidad de facturas en autorregularización (QTD_NOTAS_AUTOREG), con 7793,8, también se destacaron. Estos resultados, presentados en la importancia de las variables (Feature Importance – Gain)

, indican que el tamaño económico y el nivel de actividad operativa de los contribuyentes ejercen una contribución relevante para las predicciones realizadas por el modelo.

Otras variables que se mostraron importantes incluyen la Clasificación Nacional de Actividades Económicas (CNAE), con una ganancia de 5945,9, los valores movilizados por medios de pago (VLR_DIMP), con 5302,1, y el valor del ICMS asociado a las notas en autorregulación (VLR_ICMS_AUTOREG), con 4610,5. En contraste, variables institucionales y administrativas, como horas previstas de auditoría (HORAS_AUDITORIA), naturaleza jurídica (NATUREZA_JURIDICA) y rango de facturación (FAIXA_FATURAMENTO), presentaron una contribución relativa menor al modelo. En conjunto, estos hallazgos sugieren que factores asociados a la escala económica de las operaciones y a la exposición financiera del contribuyente son más determinantes para la identificación de patrones de adhesión a la autorregulación que características administrativas o cadastrales más genéricas.

Interpretación del Modelo (SHAP)

La interpretación del modelo a través del SHAP Summary Plot, presentado en el SHAP Summary Plot

, confirmó la contribución de las variables a la probabilidad prevista de adhesión a la autorregularización. Se observó que las variables asociadas al volumen financiero de las operaciones, como VLR_SAIDAS, VLR_ENTRADAS y RAZAO_SAIDA_ENTRADA, ejercieron la mayor influencia en el comportamiento del modelo. Valores más elevados de estas variables tendieron a desplazar los puntos hacia la derecha en el gráfico, indicando una mayor probabilidad de regularización. Este resultado refuerza que niveles más elevados de actividad económica están asociados a mayores probabilidades previstas de adhesión a la autorregularización, en consonancia con los hallazgos del análisis de Feature Importance.

También destacaron variables relacionadas con el historial y la dimensión de las inconsistencias fiscales, como QTD_NOTAS_AUTOREG, VLR_ICMS_AUTOREG y VLR_DIMP, que contribuyeron a explicar el comportamiento de regularización. En contraste, variables cadastrales o administrativas, como naturaleza jurídica, rangos de facturación y rangos de deuda, presentaron un impacto relativamente menor en el modelo. En términos generales, el análisis de SHAP refuerza la consistencia de los resultados obtenidos en el análisis de importancia de las variables, indicando que el modelo utiliza principalmente información financiera y operativa de los contribuyentes para realizar las predicciones. Factores relacionados con el volumen de operaciones y la exposición fiscal son, por lo tanto, determinantes para la adhesión a la autorregularización, lo que valida la capacidad del modelo para identificar contribuyentes con mayor potencial de conformidad.

En resumen, el estudio demostró que el modelo predictivo basado en LightGBM posee una capacidad discriminatoria robusta para identificar contribuyentes con mayor probabilidad de adhesión a programas de autorregularización fiscal. Los análisis de importancia de las variables y de interpretación del modelo, por medio de Feature Importance y SHAP, señalaron consistentemente que el volumen económico de las operaciones, la exposición fiscal y el historial de inconsistencias son los principales factores que influyen en la propensión a la regularización. Estos hallazgos confirman que la aplicación de técnicas de aprendizaje automático puede optimizar la selección de contribuyentes, dirigiendo las acciones de la administración tributaria de forma más eficiente y basada en datos, contribuyendo directamente al objetivo de desarrollar un modelo predictivo para apoyar la identificación de contribuyentes con mayor potencial de autorregularización en el estado de Goiás.

4. Conclusión

Este estudio buscó desarrollar un modelo predictivo capaz de apoyar la identificación de contribuyentes con mayor potencial de autorregularización fiscal en el estado de Goiás. Se verificó que el algoritmo Light Gradient Boosting Machine (LightGBM) demostró una capacidad discriminatoria robusta, con Área bajo la Curva (AUC) de 0,63 y un elevado Recall de 0,899, indicando su eficacia en identificar correctamente los agrupamientos con mayor probabilidad de adhesión. Los análisis de Feature Importance y SHAP evidenciaron consistentemente que variables asociadas al volumen económico de las operaciones, como valores de entradas y salidas, y al historial de inconsistencias fiscales, como el ICMS debido y la cantidad de notas en autorregularización, ejercieron la mayor influencia en la propensión a la regularización. Estos hallazgos sugieren que contribuyentes con mayor actividad económica y mayor exposición fiscal tienden a presentar una propensión más elevada a la regularización cuando son notificados. La aplicación de este modelo predictivo contribuye a hacer más eficiente la selección de contribuyentes en programas de autorregularización, optimizando la recuperación de crédito tributario y fortaleciendo las estrategias de conformidad basadas en datos.

A pesar de la consistencia metodológica y la robustez de los resultados, el estudio presenta una limitación principal relacionada con la modelización de agrupaciones homogéneas de contribuyentes, en lugar de unidades individuales. Este enfoque se adoptó debido a restricciones legales de secreto fiscal y a la Ley General de Protección de Datos (LGPD), además de la necesidad de mitigar la variabilidad aleatoria de los datos. Sin embargo, la agregación puede introducir un sesgo analítico derivado de la pérdida de granularidad. Para estudios futuros, se recomienda la comparación entre modelizaciones agregadas e individuales, la incorporación de nuevas fuentes de datos y la realización de validaciones empíricas en un entorno operativo, con el fin de mejorar la comprensión de los factores que influyen en la conformidad tributaria y refinar la capacidad predictiva.

Referencias Bibliográficas

Chen, T., Guestrin, C. 2016. XGBoost: a scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD ’16), 2016, California, San Francisco, USA.

Eberhartinger, E., Zieser, M. 2021. The effects of cooperative compliance on firms’ tax risk, tax risk management and compliance costs. Schmalenbach Journal of Business Research 73: 125-178.

Friedman, J. 2001. Greedy function approximation: a gradient boosting machine. The Annals of Statistics 29(6): 1189-1232.

Goiás. 1991. Lei nº 11.651, de 26 de dezembro de 1991. Institui o Código Tributário do Estado de Goiás. Diário Oficial do Estado de Goiás, Goiânia, 26 dez. 1991.

Jamison, J.; Mazar, N.; Sen, I. 2021. Applying behavioral insights to tax compliance: experimental evidence from Latvia. Journal of Tax Administration 6(2): 6-32.

Kleber, J.; Gangl, K.; Kirchler, E.; Florack, A. 2025. Taxpayers do not always follow the crowd: the effects of regulatory focus and social norm on tax compliance. Acta Psychologica 259(105288): 1-7.

Martinez, A. L. 2022. Cooperative compliance: SWOT analysis for the brazilian CONFIA program. Revista Electrónica de Direito 28(2): 127-153.

Nunes, R.V.; Garbaccio, G. 2023. Compliance cooperativo entre o fisco e o contribuinte. Revista Brasileira De Estudos Políticos 126: 173-206.

Sistema Público de Escrituração Digital [SPED]. 2007. Disponível em <http://www.planalto.gov.br/ccivil_03/_ato2007-2010/2007/Decreto/D6022.htm>. Acesso em: 30 dez. 2025

Xu, C.; Kong, Y. 2024. Random forest model in tax risk identification of real estate enterprise income tax. PLoS One 19(3): e0300928.

Yang, L. 2025. Predictive modeling of tax compliance risks: a comparative study of machine learning approaches. PLoS One 20(9): e0331715.

Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy

Más recientes

Economía, Inversiones Y Banca

23 de octubre de 2026

Educación Financiera, Comportamientos y Sesgos en la Toma de Decisiones Financieras

22 de octubre de 2026

Desafíos y Posibilidades del Primer Año Escolar de Niños con TEA para el Trabajo Docente

22 de octubre de 2026

Viaje del Consumidor en la Decisión de Compra de Infoproductos en el Entorno Digital

22 de octubre de 2026

Riesgos Psicosociales y Salud Mental en el Trabajo en una Institución Bancaria

22 de octubre de 2026

Observatorio Digital de la Amazonía: Ciencia de Datos Aplicada al Análisis de Indicadores Sociales, Económicos, Ambientales y de Salud

22 de octubre de 2026

Aprendizaje Continuo como Factor de Crecimiento Organizacional en la Percepción de los Colaboradores

22 de octubre de 2026

Regresión Estadística en Microrredes para Estimación de Desempeño Operacional: Caso Campusgrid

22 de octubre de 2026

Previsión de la Morosidad de Pago Agregada en el Sistema Financiero Brasileño por Modelo Sarimax con Variables Macroeconómicas

22 de octubre de 2026

Factores de Compromiso de las Partes Interesadas en la Transferencia Internacional de Tecnología a un Hospital Público

También te puede interesar

Economía, Inversiones Y Banca

23 de octubre de 2026

Educación Financiera, Comportamientos y Sesgos en la Toma de Decisiones Financieras

La gestión financiera personal representa un desafío creciente, influenciada por sesgos cognitivos que afectan la toma de decisiones, incluso en individuos con alto conocimiento. El presente estudio analizó la relación entre el nivel de educación financiera y la ocurrencia de sesgos conductuales en la toma de decisiones financieras de adultos residentes en Brasil. Se realizó un levantamiento de campo de naturaleza aplicada, cuantitativa y descriptivo-correlacional, mediante la aplicación de un cuestionario estructurado a 163 encuestados. El instrumento contempló variables sociodemográficas, conocimiento y hábitos financieros, y situaciones hipotéticas para identificar sesgos cognitivos. Los resultados indicaron que niveles más elevados de educación financiera se asociaron con mejores prácticas de control financiero, ahorro e inversión, con correlaciones significativas con ingresos y escolaridad. Sin embargo, la presencia de sesgos conductuales (anclaje, aversión a la pérdida, escasez, optimismo/pesimismo, sesgo del presente, status quo, exceso de confianza y contabilidad mental) persistió incluso entre individuos con mayor escolaridad e ingresos, sin asociación estadísticamente significativa con las variables sociodemográficas analizadas. Se concluyó que la educación financiera, aunque esencial para la organización y el control financiero, no fue suficiente para neutralizar la influencia de sesgos cognitivos. Se sugiere la incorporación de enfoques conductuales a los programas de educación financiera.

Palabras clave: Comportamiento financiero; Economía conductual; Finanzas personales; Heurísticas cognitivas; Sesgos cognitivos.

22 de octubre de 2026

Desafíos y Posibilidades del Primer Año Escolar de Niños con TEA para el Trabajo Docente

La inserción de niños con Trastorno del Espectro Autista (TEA) en la Educación Infantil presenta desafíos significativos, dada la dificultad de adaptación a nuevos entornos y la intensidad de estímulos. El objetivo fue analizar la actuación docente en la Educación Infantil en el proceso de escolarización inicial de niños con TEA. Se realizó un estudio de caso, utilizando la entrevista narrativa como técnica de producción de datos. Los resultados revelaron que la actuación docente se caracterizó por prácticas de mediación y afecto, con la flexibilización de la rutina y el uso de recursos lúdicos como estrategias esenciales para el desarrollo y la organización sensorial del niño. También se destacó la importancia del profesional de apoyo escolar para el éxito del trabajo pedagógico. El desarrollo integral del niño fue promovido por medio de acciones docentes intencionales que priorizaron la adaptación ambiental, el fortalecimiento de vínculos y la atención a las necesidades específicas del TEA. Como contribución, se elaboró una guía de estrategias pedagógicas orientada a la acogida de niños con TEA en guarderías públicas.

Palabras clave: Educación Infantil; Inclusión Escolar; Narrativas Docentes; Prácticas Pedagógicas Inclusivas; Trastorno del Espectro Autista.

22 de octubre de 2026

Viaje del Consumidor en la Decisión de Compra de Infoproductos en el Entorno Digital

La expansión del comercio electrónico y la transformación tecnológica impulsaron la necesidad de comprender el comportamiento del consumidor de infoproductos, cuya experiencia percibida se ha vuelto crucial para el desarrollo profesional. El estudio tuvo como objetivo analizar los factores que influyeron en la decisión de compra de infoproductos en el entorno digital, considerando las etapas del viaje del consumidor. Se realizó una investigación aplicada, cuantitativa y descriptiva, a través de un estudio de campo con 100 consumidores de la Serra Gaúcha. La recopilación de datos se realizó mediante un cuestionario estructurado, utilizando muestreo no probabilístico. Los resultados revelaron un público cualificado y con un fuerte comportamiento “mobile-first”. Se constató que la disponibilidad de información detallada y la aprobación social fueron los principales desencadenantes de atracción en la fase de precompra. En las etapas transaccionales y posteriores, la minimización de fricciones operativas, la agilidad del acceso inmediato y la seguridad sistémica demostraron ser cruciales para la conversión y la satisfacción, aunque se identificaron lagunas en la eficiencia del soporte humano. La retención se fundamentó en la confianza generada por experiencias anteriores positivas, superando el factor precio. Se concluyó que el viaje del consumidor de infoproductos opera como un sistema integrado, exigiendo alineación entre infraestructura tecnológica, curaduría de contenido y humanización del soporte para asegurar el compromiso.

Palabras clave: Comercio electrónico; Comportamiento del consumidor; Experiencia del consumidor; Fidelización; Negocios virtuales.

22 de octubre de 2026

Riesgos Psicosociales y Salud Mental en el Trabajo en una Institución Bancaria

La salud mental en el entorno laboral es un tema de creciente relevancia, que impacta el desarrollo profesional y el bienestar de los colaboradores. Se realizó un estudio para identificar aspectos y situaciones que pueden influir en los niveles de absentismo en una institución bancaria. La investigación involucró a 108 participantes y utilizó un cuestionario estructurado, basado en la versión corta del COPSOQ II de Gonçalves (2021), que contenía 45 preguntas cerradas en escala Likert y dos preguntas abiertas. Los datos se recopilaron a través de una plataforma en línea y se analizaron con un enfoque descriptivo y cuantitativo. Los resultados revelaron un escenario que indicó la necesidad de ajustes en la distribución de las actividades y en la percepción de los gerentes sobre comportamientos y señales de trastornos. Se identificaron evidencias importantes en las respuestas abiertas de los participantes. Se concluyó que el estudio contribuyó a la promoción de la percepción de un ambiente seguro para la salud mental en la organización.

Palabras clave: Ausencias por trastornos; Desarrollo profesional; Liderazgo operativo; Licencia médica; Salud mental.

22 de octubre de 2026

Observatorio Digital de la Amazonía: Ciencia de Datos Aplicada al Análisis de Indicadores Sociales, Económicos, Ambientales y de Salud

El estado de Amazonas ha enfrentado desafíos históricos en la consolidación del Sistema Único de Salud (SUS), derivados de barreras geográficas, desigualdades socioeconómicas y limitaciones estructurales. En este estudio se describió el desarrollo e implementación de un geoportal de información en salud, concebido para apoyar el monitoreo, la evaluación y la planificación en el contexto amazónico. Se adoptó un enfoque de estudio de caso descriptivo, basado en análisis documental y datos secundarios, abarcando el mapeo de funcionalidades, la infraestructura técnica y las etapas de validación de la herramienta. El Portal fue desarrollado con tecnologías abiertas e integró múltiples bases de datos nacionales, ofreciendo dashboards interactivos, mapas temáticos y repositorio digital de documentos. Entre los resultados, destacaron la visualización georreferenciada de indicadores clave, la posibilidad de análisis comparativos temporales y la utilización de la plataforma en la revisión de planes de salud y en el redireccionamiento de acciones estratégicas. El portal puede representar un avance en la gobernanza digital y en la gestión basada en evidencia, con potencial de replicabilidad para otros territorios de alta complejidad, siempre que vaya acompañado de inversiones en infraestructura tecnológica, capacitación profesional y articulación interinstitucional.

Palabras clave: Amazonía; Evaluación en Salud; Salud Digital; Sistemas de Información en Salud.

22 de octubre de 2026

Aprendizaje Continuo como Factor de Crecimiento Organizacional en la Percepción de los Colaboradores

El impacto del aprendizaje continuo y la gestión del conocimiento en el crecimiento de las organizaciones fue estudiado en un escenario de globalización y constantes cambios. El objetivo del estudio fue analizar la percepción de los colaboradores sobre la cultura de aprendizaje y su importancia para el desarrollo personal y profesional. Los datos se obtuvieron a través de una encuesta anónima, de enfoque cuantitativo, utilizando un formulario con preguntas tipo “survey” aplicado a 87 profesionales de los sectores de tecnología, salud, educación, comercio y servicios. Los resultados indicaron que los colaboradores tenían una percepción positiva sobre la contribución del aprendizaje continuo al crecimiento personal y organizacional, reconociendo sus beneficios para el desarrollo de nuevas habilidades, la innovación y la competitividad. Sin embargo, se observó que el incentivo al intercambio de conocimiento interno y la oferta de capacitaciones prácticas aún presentaban medias moderadas de acuerdo. Se concluyó que el aprendizaje continuo contribuye significativamente al desarrollo individual y organizacional, sugiriendo que las empresas deben desarrollar políticas estratégicas de aprendizaje dirigido a nuevas habilidades, buscando una mayor ventaja competitiva y la innovación.

Palabras clave: Aprendizaje continuo; Autodesarrollo; Crecimiento organizacional; Gestión del Conocimiento; Innovación.

22 de octubre de 2026

Regresión Estadística en Microrredes para Estimación de Desempeño Operacional: Caso Campusgrid

Se propuso un modelo de regresión estadística múltiple para estimar el rendimiento operativo de la microrred CampusGrid de la UNICAMP, basándose en magnitudes eléctricas internas. La microrred integra generación fotovoltaica, baterías y un generador de gas. Se recopilaron datos del sistema de gestión de energía en intervalos de cinco minutos durante un mes. El Índice de Confiabilidad Operacional, definido como la razón entre energía atendida y demandada, se estableció como variable dependiente. El modelo se ajustó al modo de operación aislado, evaluando el impacto de la demanda, el estado de carga, la generación solar y la energía suministrada. Los resultados revelaron un elevado poder explicativo, indicando que la confiabilidad operativa depende de la interacción entre el suministro y la demanda. Se observó que el período nocturno concentró la mayor tasa de atención parcial, atribuida a la reducción de la generación solar. Se concluyó que la regresión múltiple ofrece una estructura interpretable y útil para el monitoreo de microrredes y el apoyo a estrategias de control.

Palabras clave: Almacenamiento en baterías; Generación fotovoltaica; Índice de Confiabilidad; Operación aislada; Sistema de Gestión de Energía.

22 de octubre de 2026

Previsión de la Morosidad de Pago Agregada en el Sistema Financiero Brasileño por Modelo Sarimax con Variables Macroeconómicas

La morosidad agregada en el sistema financiero brasileño es un indicador crucial de riesgo crediticio, cuya previsión está regulada por las Resoluciones CMN n.° 4.557/2017 y 4.966/2021 para la medición prospectiva de pérdidas esperadas. Se modeló y predijo la morosidad agregada mediante el modelo SARIMAX, proyectando su trayectoria hasta diciembre de 2026 bajo escenarios optimista, base y pesimista. Se utilizaron 164 observaciones mensuales (julio/2012 a febrero/2026) y variables macroeconómicas como desempleo, Selic, IPCA, IBC-Br y endeudamiento de las familias. La especificación con variables contemporáneas fue seleccionada con base en criterios de información y estabilidad de los coeficientes, y el diagnóstico de los residuos confirmó adecuación estadística, con MAPE de 3,12%. La morosidad histórica varió entre 4,33% y 7,64%. La estimación identificó el desempleo (β = 0,2534; p < 0,001) y la Selic (β = 0,2128; p < 0,001) como principales determinantes positivos, con fuerte persistencia temporal (AR(1) = 0,8965). La Selic exhibió correlación creciente con la morosidad (r = 0,62 en el rezago 12), mientras que el desempleo demostró efecto contemporáneo (r = 0,33). Las proyecciones indicaron morosidad entre 6,30% y 7,98% en diciembre de 2026, con una amplitud de 1,68 punto porcentual, evidenciando implicaciones directas para el dimensionamiento de provisiones en las instituciones financieras.

Palabras clave: Desempleo; Modelado predictivo; Política monetaria; Provisión de pérdidas; Series temporales.

22 de octubre de 2026

Factores de Compromiso de las Partes Interesadas en la Transferencia Internacional de Tecnología a un Hospital Público

Este estudio describió los factores críticos percibidos para la participación de las partes interesadas en la transferencia internacional de tecnología en un hospital público, con foco en la planificación. El objetivo fue describir estos factores condicionantes, según la percepción de los profesionales. Se realizó un estudio de caso único, aplicando un cuestionario a 25 profesionales y utilizando análisis de contenido, complementado por tabulaciones descriptivas. Los principales obstáculos identificados fueron resistencia al cambio (72%), financiación (64%), falta de comunicación (60%) y burocracia (40%). Solo el 28% de los encuestados reconoció la existencia de herramientas adecuadas para la gestión de stakeholders, mientras que el 48% negó y el 24% no supo informar. Cruzamientos exploratorios indicaron variaciones en la evaluación de influencia según el tiempo de actuación, pero no establecieron relaciones causales. La falta de participación se asoció con retrasos, baja adhesión, desperdicio de recursos, fallas de comunicación, compromiso de la absorción de conocimiento y riesgos para la seguridad del paciente. Las conclusiones se restringieron a las percepciones del grupo investigado y fundamentaron recomendaciones preliminares para la comunicación y coordinación intersectorial.

Palabras clave: Estudio de caso; Gestión de proyectos; Innovación en salud; Partes interesadas; Sector público.

Economia

19 de octubre de 2026

¿Fin de la escala 6×1: qué permiten concluir los números?

Tras la promulgación del fin de la escala 6×1, el debate sobre la jornada menor pasa a la implementación y exige distinguir beneficios sociales de costos económicos El fin de la escala 6×1 pasó de la discusión legislativa a un cambio constitucional en Brasil. El 16 de octubre de 2026, el Congreso Nacional promulgó la enmienda constitucional nº 141/2026, originada de la Propuesta […]

Inteligencia Artificial

16 de octubre de 2026

¿Por qué estudiar si existe la IA?

Cuando las respuestas se vuelven fáciles, aprender pasa a significar más que alcanzarlas. ¿Por qué necesito aprender esto si puedo preguntarle a una inteligencia artificial? Este tipo de pregunta ha acompañado a la educación durante décadas. ¿Por qué aprender una operación si existe una calculadora? ¿Por qué memorizar una información si se puede encontrar […]

Gestión Tributaria

15 de octubre de 2026

Impuesto rosa y el género del precio

Cómo los diferentes tratamientos de marketing para hombres y mujeres son incorporados por la tributación del consumo Imagine un estante en el que dos maquinillas de afeitar de la misma marca y destinadas al mismo propósito están expuestas una al lado de la otra: una tiene un empaque oscuro y promete fuerza, precisión y eficiencia; la otra viene en tonos de rosa o […]

Salud

13 de octubre de 2026

El eslabón perdido de la transformación de la salud

¿Por qué la innovación no es suficiente para generar cambios en las organizaciones y en los sistemas de salud La transformación digital se ha consolidado como una prioridad estratégica para los sistemas de salud en todo el mundo. Historias clínicas electrónicas, inteligencia artificial, telemedicina, monitorización remota y análisis de datos han pasado a formar parte de la agenda estratégica de gobiernos y organizaciones sanitarias. Paradójicamente, […]

Marketing

09 de octubre de 2026

Bitcoin o mascotas: lo que la Inteligencia Artificial no vería

Un caso real de consumer intelligence muestra lo que queda fuera del briefing Hace algunos años, una aseguradora estadounidense contrató a una empresa especializada en consumer intelligence para responder a tres preguntas: La aseguradora también evaluaba lanzar seguros pagados en bitcoin. En ese momento, el proceso de trabajo de la consultoría funcionaba así: el analista creaba una query […]

Gestión Escolar

06 de octubre de 2026

La escuela no es un casino: cuando las figuritas se convierten en moneda en el patio

¿Por qué, para determinados estudiantes, la escuela logra ofrecer tan pocas experiencias de éxito? La Copa del Mundo ha terminado. Brasil ha quedado fuera de la competición, llegaron las vacaciones escolares, se disputó la final y el calendario del fútbol siguió adelante. Sería razonable imaginar que, con el fin del torneo y el regreso a clases, también comenzara […]

Transición Energética

30 de septiembre de 2026

Energías renovables: la ventaja brasileña

Brasil necesita invertir en la capacidad de transformar recursos naturales en innovación, productividad y desarrollo Hablar de energía es hablar de desarrollo. Detrás de la industria, el transporte, los servicios, las ciudades y, cada vez más, la inteligencia artificial, existe una infraestructura energética que sustenta la economía. Comprender la matriz energética de un país es comprender […]

Análisis De Datos

30 de septiembre de 2026

¿Cuando cambian los datos, ha cambiado la realidad?

Análisis de casi 20 millones de vínculos-año docentes entre 2020 y 2025 muestra cómo cambios en la composición de la población y en la producción de los registros pueden alterar la interpretación de series históricas Entre 2020 y 2025, el número de vínculos formales de trabajo docente identificados en la RAIS (Relación Anual de Información Social), del Ministerio de Trabajo, […]

Inteligencia Artificial

28 de septiembre de 2026

Inteligencia artificial y las tendencias

¿Por qué tanta gente se une a los juegos con ChatGPT? Nunca fui una persona de tendencias. Sigo sin serlo. Algunas pasan por mi línea de tiempo, las veo, me parecen interesantes pero no al punto de experimentar. Fue así, inclusive, con algunas ondas recientes de imágenes hechas por inteligencia artificial, como la tendencia de los años 80, aquella que nos […]

Gestión Tributaria

01 de septiembre de 2026

Reforma tributaria y planificación patrimonial en el campo

La eficiencia para gestionar los impuestos facilita la gobernanza y permite organizar la sucesión familiar. La organización patrimonial rural se ha convertido en una medida estratégica ante la reforma tributaria en Brasil, que entró en vigor este año. La planificación de las actividades y de la gestión del patrimonio rural, a través de herramientas como la transición de la Persona Física a […]

Renata de Gaspari Valdejão Almeida

Inteligencia Artificial

05 de agosto de 2026

Dentro de la empresa y fuera del radar: los riesgos de la IA Sombra

Según Microsoft, el 75% de los profesionales ya utilizan inteligencia artificial en el trabajo sin la aprobación de la empresa El uso de la inteligencia artificial generativa ya forma parte de la rutina corporativa. Herramientas como ChatGPT, Copilot y otras plataformas ayudan a los profesionales a producir textos, analizar datos, crear presentaciones y acelerar tareas en prácticamente todos los sectores. Pero este avance […]

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julio de 2026

El futuro como competencia

El interés académico refuerza la proyección de escenarios como herramienta esencial para la toma de decisiones. Mientras algunas empresas aún intentan acertar el próximo paso, otras ya trabajan con múltiples futuros posibles — y se preparan para todos ellos. Pero, ¿qué significa “pensar el futuro”? ¿Es tendencia, es estrategia o una nueva competencia que […]

Renata de Gaspari Valdejão Almeida

Innovación

Tecnología

21 de mayo de 2026

Corredor Agro SP: innovación, articulación institucional y futuro

Pecege comanda a operação executiva das atividades do ecossistema de 400 km que ficou conhecido como Vale do Silício do agro brasileiro Em 2025, além de assumir a gestão do Parque Tecnológico de Piracicaba, o Instituto Pecege também foi designado para comandar a operação executiva das atividades do Corredor de Inovação Agropecuária do Estado, o chamado […]

Educación

27 de abril de 2026

Cómo transformar un TCC en negocio

Nueva gestión del Parque Tecnológico de Piracicaba ofrece consultoría a egresados de MBAs El nuevo director de proyectos del Parque Tecnológico de Piracicaba (PTP), Alexandre Barreto, suele decir que una de las mayores recompensas que ha tenido en la vida ha sido ver a sus orientandos del MBA USP/Esalq estructurar empresas a partir de sus trabajos de conclusión de […]

Tecnología

20 de marzo de 2026

El repertorio humano en la era de la IA

El pensamiento crítico y la creatividad son insustituibles en el trabajo del profesional de marketing La Inteligencia Artificial (IA) es capaz de hazañas increíbles, pero aún no posee la capacidad de juicio, empatía, intuición y creatividad estratégica necesarias para hacer el trabajo de un buen profesional de marketing. En esta área, es importante saber usar la herramienta para automatizar […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

23 de febrero de 2026

ESG como estrategia de crecimiento en una cooperativa del RS

Santa Clara equilibra responsabilidad social y ambiental con innovación Fundada en 1911 por inmigrantes italianos en Carlos Barbosa, en la sierra gaúcha, la Cooperativa Santa Clara es un ejemplo de que es posible equilibrar el crecimiento económico con la responsabilidad social y ambiental. De una pequeña empresa de producción de quesos, la organización evolucionó a un […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

22 de enero de 2026

¿Brasil libre de fiebre aftosa: qué cambia para la carne brasileña?

Con un rebaño de más de 200 millones de cabezas de ganado, el país es actualmente el líder en exportaciones Brasil recibió recientemente, por primera vez, la certificación de país libre de fiebre aftosa sin vacunación, otorgada por la Organización Mundial de Sanidad Animal (OMSA). El sello fortalece la posición del país como proveedor de carne confiable para el […]

Renata de Gaspari Valdejão Almeida

Innovación

09 de diciembre de 2025

Innovación: el nuevo ciclo del Parque Tecnológico de Piracicaba

El Instituto Pecege asume la gestión apostando en la creación de nuevos negocios A partir de 2026, el Instituto Pecege asumirá la gestión del Parque Tecnológico de Piracicaba (PTP). Entre sus responsabilidades estarán la administración, operación, mantenimiento y expansión del parque, además del fomento de actividades de innovación, emprendimiento y ciencia y tecnología. La elección fue realizada […]

Renata de Gaspari Valdejão Almeida

06 de julio de 2026

Arquitectura a Gran Escala: Gestión de Cambios DSR-SCRUM

Mônica Alessandra Guerios; Maria do Carmo Assis Todorov Resumen elaborado por la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. La arquitectura y el urbanismo se configuran como bases imprescindibles en un espacio urbano cada vez más complejo y desafiante, donde la intrínseca conexión entre cuestiones sociales, ambientales y tecnológicas […]